AI刷题强到可怕？挑战高考数学卷，DeepSeek-R1、腾讯混元T1、Grok 3等十大模型测评来了

2025年高考大幕虽已落下(làxià)，但关于数学科目难度的讨论热度不减(bùjiǎn)。

《每日经济新闻》记者（以(yǐ)下简称“每经记者”）选取今年的(de)全国(quánguó)新课标数学I卷作为考题，对DeepSeek-R1、腾讯(téngxùn)元宝（混元T1）、OpenAI的o3、谷歌的Gemini 2.5 Pro和xAI的Grok3等十款AI推理(tuīlǐ)大模型进行了测评，以检验当今主流AI推理大模型的数学能力。

测评结果显示，国产大模型DeepSeek-R1与腾讯混元T1以零错误(cuòwù)并列榜首。而被马斯克称为“地表最强AI”的(de)Grok 3却遭遇“滑铁卢(huátiělú)”，排名倒数第三。

本次测评(cèpíng)以2025年全国新课标数学I卷（总分150分）作为考题(kǎotí)。但每经记者在测试中发现，部分AI推理模型以“重要考试期间”为由拒绝对包含试题(shìtí)的图片进行识别和解答。

为了让所有参评大模型(móxíng)站在同一起跑线(qǐpǎoxiàn)，测评移除了试卷中(zhōng)所有需要分析图形和图表的题目，形成一份有效总分为117分的标准化试卷。

同时，对于谷歌Gemini 2.5 Pro等没有这一限制的推理模型(tuīlǐmóxíng)，仍将以150分(fēn)的完整试卷进行测试，旨在测试推理大(dà)模型所能达到的最高水平。

扣分标准上，每经记者在选择题和填空题上都遵循(zūnxún)了高考评卷的(de)扣分标准，但对于(duìyú)解答题，本次测评只根据结果计算得分，不对过程打分。

需要说明的是，在此次测试中(zhōng)，每款推理大模型只进行单(dān)次测试，得分也仅反映单次测试的结果。

DeepSeek-R1和腾讯混元(hùnyuán)T1并列第一

在排除了图形/图表题(tí)的117分试卷测试中，DeepSeek-R1与腾讯混元T1展现出了绝对(juéduì)的优势(yōushì)，以零错误的完美表现，取得了117分的满分成绩，并列第一。这表明，在代数计算和函数题等题型解答上(shàng)，其能力已经达到了极高的水准和稳定性。

讯(xùn)飞星火X1以112分的(de)成绩紧随其后。相较于(yú)DeepSeek-R1与腾讯混元T1这两款大模型，讯飞星火X1多错了一道填空题。这道题的正确答案是“±2”，而讯飞星火X1给出的答案是“2”。实际上，该模型的推理过程没有问题(wèntí)，认为“2”和“-2”都满足题目条件，但陷入自我怀疑，最终(zuìzhōng)只给出了答案“2”。

讯飞星火X1的(de)推理过程

其他得分(fēn)超过100分的还有Gemini 2.5 Pro（109分）、o3（107分）、阿里千问Qwen3（106分）和豆包深度思考模式(móshì)(móshì)（104分）。在分数占比最高的解答(jiědá)题上，Gemini 2.5 Pro和o3均(jūn)有失误，其中一道大题仅有部分正确，而阿里千问Qwen3和豆包深度思考模式均拿下满分。

Grok 3惨遭“滑铁卢”，排名倒数(dàoshǔ)第三

在本次参评的所有AI推理大(dà)模型中，如果说有谁的结果最令人意外(yìwài)，那无疑是马斯克旗下xAI公司开发的、被马斯克称为(chēngwéi)“地表最强AI”的Grok 3。

Grok在发布之初就被市场(shìchǎng)寄予厚望，被认为是最有潜力挑战GPT和Gemini霸主地位的“黑马”。马斯克多次(duōcì)暗示，Grok的目标是成为最强大(qiángdà)的AI。

然而，Grok 3此次的(de)表现可以(kěyǐ)说是遭遇了“滑铁卢”。在117分的试题测试中，Grok 3仅获得91分，在10个参与(cānyù)测试的推理大模型中排名倒数第三。

深入分析其答卷，每经记者发现，Grok 3失分的一个独特(dútè)且关键的原因：它似乎无法正确理解多选题这(zhè)类题型。

测试过程显示，即使(jíshǐ)在记者提示题目为多选题的情况下，Grok 3也“顽固”地只给出一个它认为的最优(zuìyōu)解，导致只能得到部分分数(fēnshù)。

排名倒数第二的是智谱清言推理模式(móshì)，在117分(fēn)试卷的测试中得分为78分。

实际上，该模型在多道题目的推理过程中都找到了正确答案，但是往往会在最后一步出现(chūxiàn)自我怀疑(huáiyí)导致逻辑崩溃，陷入循环，最终功亏一篑，白白丢(diū)了很多分。

智谱清言推理模式解答(jiědá)过程截图

排在最末尾的是Kimi k1.5，该(gāi)模型在最后两道压轴大题上(shàng)栽了大跟头，损失了大量的分数。

综合所有测试情况来看，在(zài)处理有固定步骤和(hé)严密逻辑的数学问题上，AI推理大模型已经具备很强(hěnqiáng)的能力。但在涉及抽象和创新思维的题目上，目前的大模型还存在一定的局限性。

记者|岳楚鹏(yuèchǔpéng) 高涵

编辑|金冥羽 兰素英 盖(gài)源源

封面图片(túpiàn)来源：视觉中国

｜每日经济新闻 nbdnews 原创(yuánchuàng)文章｜

未经许可禁止转载、摘编、复制及镜像等(děng)使用